Perpustakaan Digital ITB

Perkembangan Quantum Machine Learning (QML) menghadirkan kebutuhan akan library yang dapat mengintegrasikan sirkuit kuantum dengan framework pembelajaran mesin klasik secara efisien. CUDA-Q, platform pemrograman kuantum berakselerasi GPU milik NVIDIA, menjadi salah satu kandidat platform yang menjanjikan untuk tujuan tersebut, namun library QML independen yang tersedia di atasnya, torch-quantum, memiliki sejumlah keterbatasan, antara lain hanya mendukung eksekusi berbasis sampling, tidak menyediakan mekanisme transformasi hasil pengukuran yang dapat dikonfigurasi, serta bergantung pada versi CUDA-Q yang telah dimodifikasi sehingga tidak kompatibel dengan rilis resminya. Penelitian ini mengembangkan cudaq_qml, sebuah library QML berbasis Python yang dibangun murni di atas rilis resmi CUDA-Q, dengan arsitektur modular yang memisahkan komponen encoding, ansatz, primitive eksekusi (sample dan observe), dan strategi gradien sebagai lapisan independen yang dapat dipertukarkan, serta menyediakan antarmuka tingkat tinggi yang terintegrasi dengan autograd PyTorch. Pengujian fungsional menunjukkan seluruh komponen berjalan sesuai spesifikasi tanpa galat. Perbandingan performa terhadap Qiskit Machine Learning pada faktor jumlah qubit, jumlah observable, dan jumlah reps ansatz menunjukkan pola titik impas (crossover): Qiskit Machine Learning lebih unggul pada skala kecil, sementara cudaq_qml menunjukkan keunggulan yang semakin signifikan seiring peningkatan skala sirkuit, dengan jumlah reps memberikan pengaruh paling dominan. Hasil ini menunjukkan bahwa cudaq_qml berhasil menjawab keterbatasan fungsional pada library sebelumnya sekaligus kompetitif secara performa pada konfigurasi sirkuit berskala lebih besar.